在生活场景中,面部表情表现出绝大部分情感体现。通过对人脸表情的分析,可以最直接地获取人类情绪,从而判断其内心想法。同计算机视觉的其他领域相比,人类表情的面部呈现往往会受到受试者人脸特征的影响,在验证样本和训练样本的个性化身份特征差异较大时,模型的识别精度会降低,从而使现有模型泛化性较差,难以在实际应用场景中推广。本文基于卷积神经网络特征提取方法,引进注意力机制用于特征分离,提出了一种分离框架,分离表情特征和身份特征,降低身份特征在表情识别中的影响。论文主要的工作和创新点如下:1、引进注意力机制,进一步加强卷积神经网络对人脸表情特征的提取能力。本文基于特征提取的研究思路,使用预训练的卷积神经网络模型作为特征提取器。通过注意力机制模块的处理,获得特征的通道注意力和空间注意力,基于通道和空间维度上精细化人脸表情特征,对目标范围内的人脸表情特征精准提取,提高了卷积神经网络模型在表情识别上的性能。2、提出一个基于表情和身份特征分离的算法框架。针对单纯的特征提取方法难以应对样本身份变化的问题,在精细化人脸表情特征的基础上,分离出表情特征和身份特征后,经由身份分类损失监督,得到身份的语义信息。再通过赋予表情相关特征较大的权重,降低身份特征相关权重,从而提高人脸表情识别算法在面对身份变化时的识别精度。基于特征分离思想改进的3个卷积神经网络算法之间的性能对比,将性能最好的Disentangle-Dense Net121算法在Oulu-CASIA和KDEF两个数据集上验证应用,并分别对比多个算法,论证了Disentangle-Dense Net121算法的优越性。设计了跨数据集的训练验证实验,利用在KDEF-Front数据集上训练得到的模型权重,验证在Ra FD-Front数据集上的识别精度。实验结果表明,在原始训练集的样本数量明显低于验证集的样本数量,且两个实验数据集样本之间的身份特征具有明显差异的情况下,Disentangle-Dense Net121算法依然具有令人满意的性能表现,大大降低了身份特征的变化对人脸表情识别的影响,提高了人脸表情识别模型面对身份特征变化时的鲁棒性。